인공지능

🔻개요

✅인공지능(Artificial Intelligence)

인간의 학습능력과 추론능력 그리고 언어이해능력을 컴퓨터 프로그램으로 실현하는 학문 또는 기술

• 문제 해결 능력
  • 수식 계산, 사진 속 대상 판단, 바둑 수 판단 등 문제를 해결하기 위한 지능적인 행동을 의미
• 학습
  • 여러 겅험을 통해 패턴을 얻어내고 다음 행동에 영향을 주는 것
• 범용성
  • 딥러닝 모델을 수정하여 다양한 분야에서 응용이 가능한 인공지능의 특징

 

✅머신러닝의 학습 방법

1. 지도학습 
   • 분류
     • 진단, 영상분류, 사기 탐지, 번호판 인식
   • 회귀
     • 시장 예보, 인구증가 예측, 날씨 예측
2. 비지도 학습
   • 클러스터링
     • 추천 시스템, 고객 세분화, 목표 마케팅, 테이터 마이닝
   • 차원축소
     • 빅데이터 가시화
     • 특징 추출
3. 강화학습
   • 실시간 판단, 인공지능 게임, 로봇 내비게이션, 학습업무

 

🔻머신러닝의 학습 방법

✅지도 학습(supervised learning)

• 입력과 미리 알려진 출력을 연관시키는 관계를 학습
• 주어진 입력과 출력 쌍 사이의 대응 관계를 학습
  • 자동차 번호판이 오염된 경우 인식하지 못 할 수 있음
    • 오염된 번호판 사례들을 학습시켜 인식률을 높임

👉지도학습의 예

• 데이터에 'P(pass)' 또는 'F(Fail)'라는 레이블을 붙임
  1. 입력 데이터 - 사과 1, 사과 2, 사과 3
     레이블 - "이들은 사과다"
  2. 지도 학습 - 모델 제시
  3. 예측 - "이것은 사과다"

👉지도학습의 장점

• 이전의 경험으로부터 데이터 출력을 생성
• 경험을 사용하여 성능 기준을 최적화
• 다양한 유형의 문제 해결에 도움이 됨

👉지도학습의 단점

• 출력에 반드시 레이블이 있는 데이터들을 사용해야 함
• 일반적으로 많은 시간이 걸림
• 빅데이터의 경우 엄청난 시간이 걸릴 수도 있음

 

☑️지도학습의 종류 - 분류

• 분류란?
  • 유사한 특성을 가진 데이터들끼리 묶어서 나누는 것
  • 이항 분류와 다항 분류가 있음
• 분류의 방법
  • 의사결정 트리(Decision Tree)
    • 관측값과 목표값을 연결하는 예측 모델
    • 최대 2가지의 판단을 하는 이진 트리 사용
    • 스무고개 문답처럼 선택하는 방법으로 진행됨
      • 활용
        • 주택이나 자동차 구입비용 등의 추정에 활용됨
  • Support Vector Machine(SVM)
    • 데이터를 2개의 영역으로 분류하는 이진 분류기
    • 패턴인식과 자료 분석을 위한 지도 학습 모델
      • 방법
        • 새로운 데이터가 어느 영역에 속하는지를 판단
        • 가장 큰 폭을 가진 하나의 경계선을 찾는 알고리즘
        • 영역의 여백(margin, gap)이 최대가 되는 중심선 찾기
        • 패턴인식과 자료 분석을 위한 지도 학습 모델임
  • K-Nearest Neighbot(K-NN)
    • '최근접 이웃 분류'라고도 불림
      • 활용
        • 얼굴인식, 암 진단, 글자 인식, 영화나 음악 추천 등에 활용
      • 방법
        • 가장 가까운 것들과의 거리 계산으로 클래스를 분류
        • 새로운 입력 데이터와 가장 가까운 k개의 이웃 데이터 선택
        • 이웃 데이터들의 클래스 중 다수결로 데이터의 클래스를 결정함
        • 다수결에서 결과가 나오기 위해 k는 반드시 홀수여야 함
      • 장점
        • 어떤 데이터라도 유사성 측정이 가능함
        • 빠르고 간단한 효과적인 분류 기법임
      • 단점
        • 적절한 k를 선택해야 하며, 새로운 데이터에 대해 일일이 거리를 계산한 후 분류해야 함

 

☑️지도학습의 종류 - 회귀(regression)

• 회기란?
  • 변수들 사이의 관계를 결정하는 통계적 측정
• 선형 회귀
  • 하나의 독립 변수를 사용하는 직선 형태
  • 선형 회귀는 각 점에서 회귀 직선까지의 y축 방향의 거리제곱의 총합을 최소로 해서 얻어지는 직선
  • 직선  y=ax+b를 x에 대한 y의 회귀 직선이라 함
• 회귀 분석(regression analysis)
  • 변수 사이의 회귀에 대해 검정이나 추정을 하는 것
  • 회귀 분석은 학습 데이터를 사용하여 출력값 예측
  • 산출물은 항상 확률론적 의미를 내포
    • 활용
      • 날씨 예측, 다음달 판매액 예측, 금값, 원유값, 장단기 주가 예측

 

❗분류와 회귀의 차이점

• 분류는 일정한 기준에 따라 명백히 구분짓는 것이고, 회귀는 오차 제곱의 합을 최소화하는 직선을 찾는 작업이다.
• 분류의 출력은 선택식 출력이고, 회귀의 출력은 연속값으로 나타낸다.

 

 

✅비지도 학습(unsupervised learning)

• 출력값을 알려주지 않고 스스로 모델을 구축하여 학습
• 입력만 있고 출력 레이블(label)이 없음
• 규칙성을 스스로 찾아내도록 함
• 데이터 마이닝(data mining) 기법은 비지도 학습의 예
  • 기업이 보유하고 있는 일일 거래 데이터, 고객 데이터, 상품 데이터 등 모든 사용 가능한 근원 데이터 기반

 

☑️비지도학습 - 클러스터링

• K-means 클러스터링
  • 'K-평균 군집화'라고 함
  • 간단하면서도 많이 쓰이는 클러스터링 방법 중 하나임
  • 유사한 특성을 가진 k개의 데이터 그룹으로 묶는 방법
    • 클러스터와 클러스터 중심점(centroid)
      • 주어진 데이터 집합에 대해 k개의 클러스터 중심점 찾기
      • 각 클러스터에는 클러스터 중심이 있음
      • 각 점은 다른 중심점보다 지정된 클러스터 중심점에 더 가까움
    • 장점
      • 알고리즘이 간단하고 수행속도가 빠름
      • 주어진 데이터에 대한 사전 정보 없이 클러스터링함
      • 데이터를 분류하는 머신러닝과 데이터 마이닝의 도구로 쓰임
    • 단점
      • 클러스터링의 개수 k와 최초로 지정하는 중심점들이 결과에 영향을 끼침
    • 활용
      • 통계 - 주어진 데이터의 분류나 성향 분석
      • 잔자상거래 - 고객의 구매 이력으로 고객 분류
      • 건강 관리 - 질병과 치료를 위한 패턴 탐지
      • 패턴 - 유사한 이미지를 그룹화
      • 회사 - 회사의 등급 분류
      • 기술 - 네트워크 침입과 악의적 활동 탐
• 추천 시스템(Recommender System)
  • 추천을 위해 연관 데이터 정의에 도움을 주는 클러스터링 방법
  • 사용자의 선호도를 예측하는 정보 필터링의 일종
• 가우스 혼합 모델, 계층적 클러스터링

 

✅강화 학습(reinforcement learning)

• 주어진 입력에 대응하는 행동에 대해 보상(reward)을 주어 학습하는 방법
• 주어진 입력에 대한 출력이 없음
  • 활용
    • 로봇, 게임, 네비게이션이 주요 응용 분야